利用脉冲快热中子分析技术检测爆炸物的实验研究

本文叙述了通过分析特征γ射线能谱可以确定待测物质的成分和含量,根据爆炸物所含有的各种化学元素（例如：H、C、N、O）在含量和比率上区别于其它的非爆炸物的这一特点,来判定它的存在.     

脉冲快热中子分析探雷技术实验研究

基于微秒量级的脉冲D-T中子发生器以及溴化镧探测器,搭建了脉冲快热中子分析探雷实验系统。在典型有机土壤与无机土壤背景中开展了地雷及干扰物探测实验,通过分时测量系统,成功获取了各种目标物的快中子诱发伽马谱与热中子诱发伽马谱。通过对中子诱发伽马能谱中12C、16O、1H、14N四种核素相应特征峰的分析,得到了目标物中各核素的相对含量信息,在不同土壤背景下均能有效实现地雷样品和常见干扰物的分辨。     

利用脉冲快热中子法检测煤的低位热值

利用煤质快速分析系统对煤的低位热值进行分析,以指导生产.煤质快速分析系统是基于脉冲快热中子活化分析技术(PFTNA),主要由脉冲中子发生器和BGO(锗酸铋)探头构成,数据处理采用多元回归分析方法,较好地解决了元素间的干扰问题,测得煤的低位热量分析值Qnet ar与化验值的误差<0.4 MJ/kg.     

脉冲快热中子分析探雷系统的源中子慢化技术研究

脉冲快热中子分析(PFTNA)是一种先进的可对块状物品进行成份分析的无损检测技术,它在探雷中扮演着最终决策的重要角色,但对N元素的探测速度过慢一直是该技术的短板。在PFTNA探雷实验中,为了提升对可疑目标物中N元素的探测速度,采用MCNP5程序为脉冲D-T中子发生器设计了全新的石墨慢化体。模拟计算结果表明,该石墨慢化体的引入可以有效提高脉冲滞空内目标物中慢、热中子注量,从而较大程度地提升对N元素的探测速度。开展了该慢化体慢化效能的验证实验,实验结果与理论计算符合良好,表明中子源石墨慢化体的引入,能明显提升PFTNA探雷系统对N元素的探测速度。     

用TNA方法进行爆炸物检测软件系统设计

主要描述利用TNA方法进行爆炸物检测系统中的软件模块化设计,由于在系统开发过程中需要对算法进行调试,因此要求软件能够实现算法调整的灵活性以及自由的扩充性。整个系统共分为数据获取、元素分析以及识别定位三大模块,各个大模块又细分为不同的小模块。通过模块化的设计,能够在系统的搭建过程中自由的改进算法以及增加功能,提高开发效率。     

利用TNA方法进行爆炸物检测软件系统中的能谱自动分析

主要研究利用TNA方法进行爆炸物检测中的能谱自动分析算法,包括在干扰环境下对能谱进行稳谱,利用已完成能量刻度的标准谱对探测器采集的能谱进行自动能量刻度,以及对刻度后的能谱进行快速拟合或积分,计算样品中的N和H元素的含量.通过不同的数值分析算法,能够对能谱进行快速、准确的自动分析处理,为最终实现爆炸物检测奠定基础.     

基于C8051F060的脉冲中子-热中子采集电路设计

针对脉冲中子综合测井仪的需求,设计了基于C8051F060型单片机的脉冲中子-热中子采集电路,用于测量地层中热中子数量随时间的变化趋势.采用集成模块化设计,使电路成本降低,体积缩小.现场试验表明,电路工作正常,达到了设计要求.     

基于14 MeV μs脉冲中子发生器与NaI(Tl)和BGO闪烁探测器的爆炸物检测系统的研制

介绍了利用14 MeV μs脉冲中子发生器、NaI(Tl)和BGO闪烁探测器建立的爆炸物检测实验系统.研究了中子感生瞬发γ能谱的时间特性,分别测量了快中子的非弹性散射γ能谱和热中子辐射俘获γ能谱.使用了NaI(Tl)和BGO两种探测器测量γ能谱;NaI(Tl)探测器在测量14N的热中子辐射俘获γ 10.835 MeV时表现出了很好的性能,而BGO探测器则在测量12C和16O的快中子非弹性散射γ时得到了较好的结果.利用这两种探测器测量了22种样品,其中包括RDX、TNT、NQ 3种炸药.根据NaI(Tl)和BGO测量到的中子感生瞬发γ能谱,在分析了1H、12C、14N、16O的元素含量之后,有效地实现了对炸药与普通物品的分辨.     

含反射中子的快脉冲堆中子动力学方程研究

提出了含有反射中子的快脉冲堆中子动力学方程,并据此开展了快脉冲堆在超瞬发临界状态下产生脉冲的数值模拟计算。结果表明,反射中子增加了反应性和脉冲产额,由于反射中子使脉冲波形展宽,波形也不再对称。     

BP神经网络算法预测多组分材料中子屏蔽效果方法研究

针对多组分中子屏蔽材料优化设计中蒙特卡罗模拟计算时间长而对算法效率的制约,讨论了利用BP神经网络算法快速预测材料中子屏蔽效果的方法。以复合材料300种随机质量组分和其对应的蒙特卡罗计算的剂量值组成训练样本,建立了典型的3层BP神经网络模型,其剂量预测值与样本值的绝对偏差在±2以内。对训练样本之外的验证样本,绝对偏差扩大到-6.4～5.2之间。偏差分布统计显示70%以上样本的相对偏差绝对值在2%以内,定性判断该神经网络模型的计算精度和泛化能力满足优化算法使用。使用交叉验证法对网络进行二次训练,可提高训练样本的计算精度,但扩大了验证样本的计算偏差,表明神经网络建立中还需要考虑样本的拟合程度和泛化能力的平衡。     

基于MATLAB的γ谱人工神经网络分析方法

用人工神经网络分析γ能谱具有充分利用全谱信息，分析结果精度高的优点。在MATLAB平台上实现了该分析方法，具有编程简单、可靠、便于推广的优点。     

鉴别暗物质粒子WIMP的人工神经网络方法

首次把人工神经网络方法用于冷暗物质的寻找实验。克服在低能区间中单变量方法的不适应性。对标定数据的分析结果表明，神经网络的分类效率达到75％左右，且训练表现和泛化表现完全一致，这个结果是单变量方法所无法企及的。因而可以相信，人工神经网络方法用于暗物质粒子鉴别将是一个很有前景的课题。     

一种基于BP神经网络的γ能谱识别方法

从军控现场核查过程中敏感信息保护的目的出发,对利用BP神经网络技术通过γ能谱识别核部件类型的方法进行了初步研究.实验时识别正确率达到98%以上,说明利用神经网络技术识别核部件是一种切实可行的方法.     

闪烁探测器信号波形识别的人工神经网络实现

根据闪烁探测器中激发荧光的快、慢成分的差异,定义了代表信号波形的三个特征物理量:即信号幅度、信号在上升时间段的积分以及中频段的频谱积分.研究了人工神经网络对不同波形的识别方法.用计算机模拟了实际情况下的信号波形,用神经网络对这些信号波形进行识别,得到了较好的识别结果并进行了讨论.     

Machine learning of turbulent transport in fusion plasmas with neural network

Turbulent transport resulting from drift waves,typically,the ion temperature gradient(ITG)mode and trapped electron mode(TEM),is of great significance in magnetic confinement fusion.It is also well known that turbulence simulation is a challenging issue in both the complex physical model and huge CPU cost as well as long computation time.In this work,a credible turbulence transport prediction model,extended fluid code(ExFC-NN),based on a neural network(NN)approach is established using simulation data by performing an ExFC,in which multi-scale multi-mode fluctuations,such as ITG and TEM turbulence are involved.Results show that the characteristics of turbulent transport can be successfully predicted including the type of dominant turbulence and the radial averaged fluxes under any set of local gradient parameters.Furthermore,a global NN model can well reproduce the radial profiles of turbulence perturbation intensities and fluxes much faster than existing codes.A large number of comparative predictions show that the newly constructed NN model can realize rapid experimental analysis and provide reference data for experimental parameter design in the future.     

一种基于双能X射线与前向散射的爆炸物检测方法

本文简要介绍了爆炸物检测领域的各种现行方法,指出了它们的优缺点。与它们相比,本文探讨的新方法具有一系列独特的优点。本文作者提出了一种新颖的爆炸物检测方法,即(双能X射线) (前向散射法)。使用双能X射线法可以得到被检测物质的有效原子序数信息,利用X射线的前向散射可以得到被检测物质的密度信息,而有效原子序数和密度这两个特征量的组合就可以有效地表征爆炸物的存在。     

Study on the characteristic points of boiling curve by using wavelet analysis and genetic neural network

Local singularity of a signal includes a lot of important information. Wavelet transform can overcome the shortages of Fourier analysis, i.e., the weak localization in the local time- and frequency-domains. It has the capacity to detect the characteristic points of boiling curves. Based on the wavelet analysis theory of signal singularity detection, Critical Heat Flux (CHF) and Minimum Film Boiling Starting Point (q_min) of boiling curves can be detected by using the wavelet modulus maxima detection. Moreover, a genetic neural network (GNN) model for predicting CHF is set up in this paper. The database used in the analysis is from the 1960s, including 2365 data points which cover a range of pressure (P), from 100 to 1000 kPa, mass flow rate (G) from 40 to 500 kg m⁻² s⁻¹, inlet sub-cooling (ΔT_sub) from 0 to 35 K, wall superheat (ΔT_sat) from 10 to 500 K and heat flux (Q) from 20 to 8000 kW m⁻². GNN mode has some advantages of its global optimal searching, quick convergence speed and solving non-linear problem. The methods of establishing the model and training of GNN are discussed particularly. The characteristic point predictions of boiling curve are investigated in detail by GNN. The results predicted by GNN have a good agreement with experimental data. At last, the main parametric trends of the CHF are analyzed by applying GNN. Simulation and analysis results show that the network model can effectively predict CHF.